超短期预测风电场功率的方法、装置及风力发电机组制造方法及图纸

本发明专利技术实施例提供一种超短期预测风电场功率的方法、装置及风力发电机组，其中，超短期预测风电场功率的方法包括：获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值，并形成功率实测值序列；将所述功率实测值序列经预置预测模型进行预测，得到下一时刻起未来固定时间段内各时刻的功率预测值；其中，所述预测模型为采用长短期记忆LSTM网络对训练样本进行训练后生成。本发明专利技术提供的方案，能够显著提高风电场功率预测的准确性。

【技术实现步骤摘要】
超短期预测风电场功率的方法、装置及风力发电机组
本专利技术涉及风电
，尤其涉及一种超短期预测风电场功率的方法、装置及风力发电机组。
技术介绍
随着风电并网规模的快速扩大，风电的不确定性对电力系统与电力市场的稳定性、充裕性及经济性的影响也日益彰显，因此，及时、精准地预测风电功率动态的意义重大。风电场超短期功率预测是解决风电场输出有功功率稳定性问题的关键技术之一，它可以为风电场有功功率控制提供机组出力能力参考，有利于风电场控制方制定合理调度计划，从而更好地接受电网控制端的统一调度。目前，超短期预测指预测从当前时刻起未来15分钟到4小时的风功率，时间分辨率为15分钟。针对风功率超短期预测的方法主要有ARIMA自回归移动平均法和卡尔曼滤波等。实际上，1.5到2.5小时的超短期预测水平对风机运行具有较大的指导意义，上述ARIMA自回归移动平均法和卡尔曼滤波等方法虽然在预测未来最近的时间点的准确率较高，但是随着时间的推移，其对2小时以后的风功率预测准确率有明显下降。
技术实现思路
本专利技术实施例提供的一种超短期预测风电场功率的方法、装置及风力发电机组，能够显著提高风电场功率预测的准确性。为达本文档来自技高网...

【技术保护点】
一种超短期预测风电场功率的方法，其特征在于，包括：获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值，并形成功率实测值序列；将所述功率实测值序列经预置预测模型进行预测，得到下一时刻起未来固定时间段内各时刻的功率预测值；其中，所述预测模型为采用长短期记忆LSTM网络对训练样本进行训练后生成。

【技术特征摘要】
1.一种超短期预测风电场功率的方法，其特征在于，包括：获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值，并形成功率实测值序列；将所述功率实测值序列经预置预测模型进行预测，得到下一时刻起未来固定时间段内各时刻的功率预测值；其中，所述预测模型为采用长短期记忆LSTM网络对训练样本进行训练后生成。2.根据权利要求1所述的方法，其特征在于，所述将所述功率实测值序列经预置预测模型进行预测，得到下一时刻起未来固定时间段内各时刻的功率预测值包括：将所述功率实测值序列经预置滚动预测模型的多次滚动预测，依次得到下一时刻起未来固定时间段内各时刻的功率预测值，其中，每完成一次滚动预测，在用于上一次所述滚动预测的所述功率实测值序列的序列尾部顺序添加上一次预测得到的所述功率预测值，并从用于上一次所述滚动预测的所述功率实测值序列的头部顺序剔除相应个数的功率实测值，以保证滚动预测后的所述功率实测值序列长度不变，并形成新的功率实测值序列，用于下一次滚动预测。3.根据权利要求1所述的方法，其特征在于，所述将所述功率实测值序列经预置预测模型进行预测，得到下一时刻起未来固定时间段内各时刻的功率预测值包括：将所述功率实测值序列经预置多维预测模型的一次预测，得到下一时刻起未来固定时间段内各时刻的功率预测值。4.根据权利要求3所述的方法，其特征在于，所述LSTM网络结构中：隐含节点个数为N1、网络层数为n、截断时间长度为20、输出层为16、训练轮数为3000。5.一种超短期预测风电场功率的装置，其特征在于，包括：数据获取模块，用于获取截至当前时刻的...

【专利技术属性】
技术研发人员：周玉卿，
申请(专利权)人：北京金风慧能技术有限公司，
类型：发明
国别省市：北京,11